使用纯Java从HTML文档中使用xpath提取内容

Question

我想使用Java使用xpath从HTML提取内容。 在ruby中，我可以使用nokogiri做到这一点，如下所示。

xpath = '/html/body/div/div[2]/div[2]/div/div[2]/div[3]/p'  
doc = Nokogiri::HTML(open('test_001_html64.html'))  
doc.xpath().each do |link|  
puts link.content  
end  

我想用纯Java来做。 我看了看Jsoup，但是找不到任何使用xpath做到这一点的文档或示例。 有人可以提出建议吗？

谢谢

Answer 1

使用JAXP （捆绑在Java中）的方法如下： JAXP手册

Answer 2

您可以将HtmlUnit用于该任务。

这是一个简单的例子：

final WebClient webClient = new WebClient();
final HtmlPage startPage = webClient.getPage("http://www.google.com/");
List<DomNode> nodes = page.getByXPath("/html/body/div/div[2]/div[2]/div/div[2]/div[3]/p");
for (DomNode node : nodes) {
    System.out.println(node.getNodeName());
}

Answer 3

您可以在jsoup中轻松地做到这一点。

Document doc = Jsoup.connect("test_001_html64.html").get();
Elements info = doc.getElementsByTag("html");
//iterate recursively to the desired location in the dom tree.

为了更快地解析，您可以使用特定的标签/ ID。

jsoup的文档（jsoup.org/apidocs）也存在。